論文の概要: Anomalous Sound Detection Based on Machine Activity Detection

• arxiv url: http://arxiv.org/abs/2204.07353v1
• Date: Fri, 15 Apr 2022 07:23:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-18 12:50:14.695989
• Title: Anomalous Sound Detection Based on Machine Activity Detection
• Title（参考訳）: 機械活動検出に基づく異常音検出
• Authors: Tomoya Nishida, Kota Dohi, Takashi Endo, Masaaki Yamamoto, Yohei Kawaguchi
• Abstract要約: 我々は,機械状態監視のための教師なし異常音検出手法を開発した。 提案手法は,アンサンブルを用いて異常検出性能を相補的に向上する。
• 参考スコア（独自算出の注目度）: 8.119699312788383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We have developed an unsupervised anomalous sound detection method for machine condition monitoring that utilizes an auxiliary task -- detecting when the target machine is active. First, we train a model that detects machine activity by using normal data with machine activity labels and then use the activity-detection error as the anomaly score for a given sound clip if we have access to the ground-truth activity labels in the inference phase. If these labels are not available, the anomaly score is calculated through outlier detection on the embedding vectors obtained by the activity-detection model. Solving this auxiliary task enables the model to learn the difference between the target machine sounds and similar background noise, which makes it possible to identify small deviations in the target sounds. Experimental results showed that the proposed method improves the anomaly-detection performance of the conventional method complementarily by means of an ensemble.
• Abstract（参考訳）: 補助タスクを利用する機械状態監視のための教師なし異常音検出法を開発した。 まず, 機械活動ラベル付き正規データを用いて機械活動を検出するモデルを訓練し, 推定フェーズで接地活動ラベルにアクセスする場合, 与えられた音声クリップの異常スコアとして活動検出誤差を用いる。 これらのラベルが利用できない場合は、アクティビティ検出モデルによって得られた埋め込みベクトルの異常検出により異常スコアを算出する。 この補助的なタスクを解くことで、モデルが対象の機械音と類似の背景雑音の違いを学習し、ターゲットの音の小さな偏差を識別することができる。 実験により,提案手法はアンサンブルを用いて従来の手法の異常検出性能を相補的に向上することを示した。

関連論文リスト

• SoftPatch: Unsupervised Anomaly Detection with Noisy Data [67.38948127630644]
  本稿では,画像センサ異常検出におけるラベルレベルのノイズを初めて考察する。 本稿では,メモリベースの非教師付きAD手法であるSoftPatchを提案する。 既存の手法と比較して、SoftPatchは通常のデータの強力なモデリング能力を維持し、コアセットにおける過信問題を軽減する。
  論文  参考訳（メタデータ） (2024-03-21T08:49:34Z)
• Deployment Prior Injection for Run-time Calibratable Object Detection [58.636806402337776]
  検出器に追加のグラフ入力を導入し、事前にグラフが配置コンテキストを表す。 テストフェーズでは、事前に適切なデプロイメントコンテキストをグラフ編集を通じて検出器に注入することができる。 事前の配置が分かっていない場合でも、検出器は独自の予測を用いて、事前に近似した配置を用いて自己校正を行うことができる。
  論文  参考訳（メタデータ） (2024-02-27T04:56:04Z)
• Why do Angular Margin Losses work well for Semi-Supervised Anomalous Sound Detection? [0.8702432681310399]
  最先端の異常音検出システムは、しばしば角マージンの損失を利用して、適切な音響データの表現を学習する。 本研究の目的は, アンギュラーマージン損失を補助課題で用いた場合, 異常音の検出に有効かを検討することである。
  論文  参考訳（メタデータ） (2023-09-27T13:29:38Z)
• Anomalous Sound Detection using Audio Representation with Machine ID based Contrastive Learning Pretraining [52.191658157204856]
  コントラスト学習を用いて、各音声サンプルではなく、各機械IDの音声表現を洗練する。 提案手法では、コントラスト学習を用いて音声表現モデルを事前学習する。 実験の結果,本手法はコントラスト学習や自己教師型分類を用いて最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-04-07T11:08:31Z)
• An optimization method for out-of-distribution anomaly detection models [6.075775003017512]
  頻繁な誤報は、産業アプリケーションにおける教師なし異常検出アルゴリズムの促進を妨げている。 SVMベースの分類器は後処理モジュールとして利用され、オブジェクトレベルでの異常マップから誤報を識別する。
  論文  参考訳（メタデータ） (2023-02-02T08:29:10Z)
• Self-supervised Pretraining with Classification Labels for Temporal Activity Detection [54.366236719520565]
  時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。 検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。 本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T18:59:28Z)
• Canonical Polyadic Decomposition and Deep Learning for Machine Fault Detection [0.0]
  マシンからあらゆる種類の障害を学ぶのに十分なデータを集めることは不可能である。 健康状態のみのデータを用いてトレーニングされた新しいアルゴリズムを開発し、教師なしの異常検出を行った。 これらのアルゴリズムの開発における重要な問題は、異常検出性能に影響を与える信号のノイズである。
  論文  参考訳（メタデータ） (2021-07-20T14:06:50Z)
• Outlier detection in multivariate functional data through a contaminated mixture model [0.0]
  この研究は、センサーのアクティビティを高頻度で記録する産業環境での応用によって動機付けられている。 目的は、異常な測定行動を自動的に検出することである。
  論文  参考訳（メタデータ） (2021-06-14T08:17:42Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Flow-based Self-supervised Density Estimation for Anomalous Sound Detection [6.495759450230705]
  私たちは、同じ機械タイプの他の機械からの音にターゲットマシンの音と低い可能性により高い可能性を割り当てるモデルを訓練します。 DCASE 2020 Challenge Task2データセットを用いて行った実験では、提案手法は平均4.6%改善した。
  論文  参考訳（メタデータ） (2021-03-16T01:52:03Z)
• Unsupervised Domain Adaptation for Acoustic Scene Classification Using Band-Wise Statistics Matching [69.24460241328521]
  機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。 本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。 提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:56:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。